[发明专利]基于数据特征挖掘的行星进入可达集最优子集计算方法

说明书

本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法，属于深空探测技术领域。本发明从智能数据特征挖掘的角度出发，挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系，将机器学习中高斯过程回归思想引入到行星进入可达集的求解过程；首先，对不同行星进入场景下航天器所能达到的可达集最优子集进行优化求解；通过对高斯过程回归模型参数的优化选取，进一步建立探测器初始进入状态与可达集最优子集的直接映射模型；由于不需要进行大量复杂的函数建模，使得行星进入可达集最优子集的计算效率大大提高。利用可达集最优子集的预测计算结果能够分析给定进入场景下，航天器的着陆安全区和碰撞风险区等。

技术领域

本发明涉及一种基于数据特征挖掘的行星进入可达集最优子集的计算方法，属于深空探测技术领域。

背景技术

对给定航天器能够飞行的进入轨迹包络的研究是行星着陆任务分析与设计的重要辅助。可达集作为描绘轨迹包络的关键特征之一，可以形象直观地给出在边界条件与控制限制下探测器能到达点的全状态情况，可为行星着陆任务中进入轨迹的设计提供参考依据与设计思路。然而，由于大气进入复杂的动力学系统，完整的可达集是包含着陆器状态变量值的6维集合，对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的。针对这一问题，已有学者通过引入关注于某些感兴趣的轨迹特征的可达集的最优子集，来代替计算完整的可达集，但仍无法避免对复杂动力学模型的迭代积分与逐次轨迹寻优计算过程。同时，在对行星进入轨迹进行设计时，由于不同的进入方式以及控制机制，会衍生出多式多样的进入飞行方案，这一过程涉及的轨迹设计规模庞大，加之行星进入过程的严苛约束，这一工作就更为复杂繁琐。

机器学习中通过挖掘数据特征给出模型输入输出关系的方法称为监督学习。监督学习中的贝叶斯方法通过定义一个函数分布，赋予每一种可能的函数一个先验概率，通过假定的噪声分布可以得到训练集的似然函数，通过使似然函数最大化来得到输入输出的映射关系。本发明所采用的基于高斯过程回归(GPR)的数据特征挖掘模型即建立于此。高斯过程回归能够利用已知的一部分观测值对输入输出模型进行训练学习，找到模型输入输出的映射关系，从而在给定新的输入值时，能够迅速的给出对应的输出结果。由于不需要进行大量复杂的函数建模，使得基于GPR思想的预测计算方法的计算量大幅减小、计算效率大大提高。

发明内容

针对现有技术中行星进入可达集最优子集计算方法存在的求解效率低的问题。本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法要解决的技术问题是：从智能数据特征挖掘的角度出发，挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系，将机器学习中高斯过程回归思想引入到行星进入可达最优子集的求解过程，基于数据特征挖掘实现行星进入可达集最优子集计算，能够显著提高计算效率。此外，应用本发明的行星进入可达集最优子集计算结果，还能够分析给定进入场景下航天器的着陆安全区和碰撞风险区，进行避障规划，提高航天器的着陆安全性。

本发明的目的是通过下述技术方案实现的。

本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法，从智能数据特征挖掘的角度出发，挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系，将机器学习中高斯过程回归思想引入到行星进入可达集的求解过程。首先，对不同行星进入场景下航天器所能达到的可达集最优子集进行优化求解。通过对高斯过程回归模型参数的优化选取，进一步建立探测器初始进入状态与可达集最优子集的直接映射模型。由于不需要进行大量复杂的函数建模，使得行星进入可达集最优子集的计算效率大大提高。利用可达集最优子集的预测计算结果能够分析给定进入场景下，航天器的着陆安全区和碰撞风险区等。

本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法，包括如下步骤：

步骤1：建立行星进入段动力学模型。

考虑行星自转，采用如下动力学模型：